如何入门推荐系统

前言

推荐系统是一个很工程的领域，相比NLP，CV等理论性较强的AI方向入门难度要低一点。推荐的工作大体可以分为召回和排序，首先从数以万计的items中召回用户可能感兴趣的百万级的items，这里的数量级按照items的数量级来决定，items有可能是音乐（网易云音乐）、电影书籍（豆瓣），商品（淘宝京东）等等；然后从对筛选过一遍的items做排序。当然其实再往细说还有精排粗排等流程，这里作为知识普及就不细说了。

召回主要通过多路召回，比如MostPoP（选出平台最受用户喜爱商品top10，推荐给每一个用户），sequence recommendation（通过用户的历史购买行为推荐），knowledge graph（将平台的商品做成知识图谱）等方式，通过不同的方法（多路的意义所在）来筛选商品。

排序主要是CTR预估的一套，因为推荐的最终目的是要提高指标，有一种指标是CTR点击通过率（Click-Through-Rate）。有了召回阶段筛选出来的商品之后，通过模型预测用户会点击该商品的概率，然后选出分数最高的一个或几个来推荐给用户。

1. 入门书籍

推荐系统的入门书籍有很多，其他答主都回答了，这里我再推荐一本神书王喆的《深度学习推荐系统》，2020年才出版，介绍的算法和模型都和前沿，京东当当搞活动的时候50+可以入手。

2. 需要学习的技术

• GBDT,XGBOOST,Random Forest等集成模型
• FM,FFM,LR等传统机器学习模型
• DIN,Wide&Deep等深度学习模型

以上这些都是推荐系统的基础知识，掌握这些可以找一个像样的实习了。不过正如前文说到，推荐系统很偏工程，所以还有很多进阶的知识需要掌握，但这些知识往往都只能在企业的实践中获得，这里我介绍几个但不详细展开，因为每个企业都有各自的处理流程。

3. 进阶知识

1. 推荐系统中，冷启动是急需解决的一个问题，就是当你的用户、商品是新加入的，或者平台是新成立的，没有历史数据，怎么为用户做推荐。学术届很多人都在研究，我们无需非常深入，但是也需要有所了解
2. 对于工业界来说，推荐系统最重要的不是模型，而是特征工程，了解特征工程的方法对于入门推荐系统是很重要的
3. 推荐系统是一个很依赖实时性的领域，有的时候为了效率我们不会用到太复杂的模型和大量的历史数据，对于推荐系统如何在线上运作，这是我们需要了解的
4. 短视频的推荐，购物网站的推荐，新闻的推荐等不同领域中的推荐方法是截然不同的，他们各自有什么区别，需要我们去了解。

以上就是我对如何入门推荐系统的建议。其实推荐、广告、搜索三个领域是很相近的，他们都有召回排序的流程，也都很NLP密切相关。所以，如果你已经拥有了前文所介绍的所有知识储备，欢迎来到广告、搜索、NLP领域探探路，这里获得的知识可能对推荐很有帮助喔！

微信关注我，带你走进算法的世界！